JP2021033773A - 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 - Google Patents
対象地域の不動産の稼働率を推定するプログラム、装置及び方法 Download PDFInfo
- Publication number
- JP2021033773A JP2021033773A JP2019154858A JP2019154858A JP2021033773A JP 2021033773 A JP2021033773 A JP 2021033773A JP 2019154858 A JP2019154858 A JP 2019154858A JP 2019154858 A JP2019154858 A JP 2019154858A JP 2021033773 A JP2021033773 A JP 2021033773A
- Authority
- JP
- Japan
- Prior art keywords
- users
- target area
- area
- real estate
- captured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
例えば許容部屋数100室のホテルについて滞在ユーザ数を推定する場合、実際の滞在ユーザ数が10名であっても、特定の通信事業者における捕捉ユーザ数は0名である場合もある。
特定の通信事業者における加入者割合が例えば20%である場合、捕捉ユーザ数が0名であれば、そのホテルの滞在ユーザ数は0名と推定され、捕捉ユーザ数が1名であれば、そのホテルの滞在ユーザ数は5名と推定されてしまう。
同様に、特定の通信事業者について、そのホテルの捕捉ユーザ数が3名であっても、加入者割合に応じて推定された滞在ユーザ数15名となるわけでもない。
このように、比較的狭い地域の不動産になるほど、捕捉ユーザ数の数名の違いが、滞在ユーザ数の推定に大きく影響してしまう。このような不安定な捕捉ユーザ数では、滞在ユーザ数を推定することもできない。
一方で、不動産の投資家や関係者にとっては、不動産の稼働率につながる滞在ユーザ数を正確に知るためには、決算期毎の利用者数の発表を待つしか無くなる。一方で、不動産の稼働率の変動リスクを抱えなければならず、この不透明性が、物件価値に基づく投資難易度を高めることにもなる。
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの1つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と、
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
相関学習エンジンは、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする。
対象地域Aiの不動産の稼働率Ciに代えて、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定するために、
相関学習エンジンは、
学習段階として、対象地域Aiについて、滞在した滞在ユーザ数Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、現に滞在する滞在ユーザ数Ciを推定する
ようにコンピュータを機能させることも好ましい。
所定期間Tについて、当該対象地域Aiの周辺地域Aj(j=1〜N)全体における周辺地域許容ユーザ数を記憶する周辺地域許容ユーザ数記憶手段と、
周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する周辺地域捕捉ユーザ率算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ率Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ率Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることも好ましい。
周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能なユーザ数又は部屋数である
ようにコンピュータを機能させることも好ましい。
複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する回帰関数導出手段と、
現在の周辺地域捕捉ユーザ数Biと、回帰関数fに基づく予測の周辺地域捕捉ユーザ数f(Bi)との傾向差分DIFFi(=Bi−f(Bi))を算出する傾向差分算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、傾向差分DIFFiを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、傾向差分DIFFiを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることも好ましい。
重み係数決定部14は、複数の特性量kそれぞれの差の平方和の平方根を、類似度dとする
d(i,j)=√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k:地域iの特性量k
ようにコンピュータを機能させることも好ましい。
重み係数決定部14は、複数の特性量kそれぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度dとする。
類似度d(i,j)=√(Σk=1 K((CHARi,k−CHARj,k)2×αk))
CHARi,k:地域iの特性量k
αk:特性量kの影響度
ようにコンピュータを機能させることも好ましい。
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、対象地域Aiから周辺地域Ajまでの距離を用いる
ようにコンピュータを機能させることも好ましい。
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、対象地域Ai及び周辺地域Ajの不動産の種別、ランク及び/又は評価を用いる
ようにコンピュータを機能させることも好ましい。
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、更に、建物の階数、部屋数、部屋面積、従業員数及び/又は使用料金を用いる
ようにコンピュータを機能させることも好ましい。
正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率である
ようにコンピュータを機能させることも好ましい。
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの1つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする。
装置は、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの1つ以上の特性量を記憶する地域特性量記憶部と
を有し、
装置は、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する第1のステップと、
地域特性量記憶部を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する第2のステップと、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する第3のステップと
を実行すると共に、
学習段階として、相関学習エンジンを用いて、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする。
図2によれば、推定装置1は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率であるとする。これは、過去のデータに基づくものである。
対象地域Ai:推定作業のオペレータによって設定される。
(推定対象となる特定の不動産であってもよい)
周辺地域Aj:対象地域Aiを含む所定地域範囲に設定される。
周辺地域Ajは、対象地域Aiを中心として所定半径内であってもよいし、住所の県市町村単位であってもよい。
ユーザ位置データベース11は、位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したものである。
図2によれば、ユーザ位置データベース11は、特定の通信事業者によって運用管理されており、加入者ID(ユーザID)毎に、時刻と位置情報とを対応付けて蓄積している。
ここで、重要な点として、ユーザ位置データベース11は、特定の通信事業者の通信事業設備による捕捉ユーザであって、現実のユーザ全てではない。即ち、特定の通信事業者と契約した携帯端末2を保持するユーザについてのみ、位置情報が収集されたものである。
(1)ユーザに所持された携帯端末2によって測位された端末測位位置
携帯端末2が自ら、GPS(Global Positioning System)によって測位した緯度経度情報である。
(2)通信事業者の基地局やアクセスポイントに接続した携帯端末の基地局測位位置
携帯端末2を配下とする基地局やアクセスポイントの位置情報から、携帯端末2の位置を推定したものであってもよい。但し、この位置情報は、空間的粒度が粗いものとなる。
これら位置情報は、緯度経度又は地図座標によって表記されるものであってもよいし、住所名や地図メッシュ番号に変換されたものであってもよい。
地域特性量記憶部12は、地域A毎に、地域範囲と共に、当該地域Aの1つ以上の特性量を記憶する。
「特性量」としては、例えば以下のようなものがある。
対象地域Aの不動産の位置
対象地域Aの不動産の種別、ランク及び/又は評価
不動産の種別は、対象地域Aの不動産における階数、部屋数、部屋面積、従業員数、使用料金であってもよい。例えばホテルの場合、ホテル態様(高級、ビジネス、民宿、カプセルなど)や宿泊料金であってもよい。
不動産のランクは、例えばホテルの場合、クラス(4つ星又はファイブスターなど)であってもよい。
不動産の評価は、例えばSNS(Social Networking Service)によるユーザの評価であってもよい。
捕捉ユーザ数抽出部13は、ユーザ位置データベース11を用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#A(T)を抽出する。前述した図1のように、地域A毎に、特定の通信事業者の通信事業設備に接続した捕捉ユーザ数#A(T)が抽出される。
重み係数決定部14は、地域特性量記憶部12を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する。
尚、重み係数ωには、期間Tに応じて可変となるものであってもよく、ω(Ai,Aj,T)としたものであってもよい。
(特性量が、不動産の位置である場合)
重み係数決定部14は、対象地域Aiの特性量と、周辺地域Ajの特性量との類似度dとして、対象地域Aiから周辺地域Ajまでの「距離」を用いる。ここでの距離は、経度緯度の差分から算出可能な、物理的な近さや遠さを表現するための直線距離である。
距離 :d(Ai,Aj)
重み係数:ω(Ai,Aj)=1/(1+d(Ai,Aj))
尚、周辺地域Ajには、対象地域Aiと同一の地域(Ai=Aj)も含むとする。i=jとなるとき、d(Ai,Aj)=0となる。
重み係数決定部14は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、対象地域Aiの不動産の「種別、ランク及び/又は評価」を用いる。
例えば対象地域Aiの不動産が、ランク「☆☆」である場合、周辺地域Ajの不動産の重み係数は、以下のようになる。
対象地域Aiの不動産:ランク「☆☆」
周辺地域Ajの不動産:ランク「☆☆☆」の場合
d(Ai,Aj)=1 (☆☆と☆☆☆との差分=1)
ω(Ai,Aj)=1/(1+1)=0.5
周辺地域Ajの不動産:ランク「☆☆」の場合
d(Ai,Aj)=1 (☆☆と☆☆との差分=0)
ω(Ai,Aj)=1/(1+0)=1
周辺地域Ajの不動産:ランク「☆」の場合
d(Ai,Aj)=1 (☆☆と☆☆☆との差分1)
ω(Ai,Aj)=1/(1+1)=0.5
d(i,j)=√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k:地域iの特性量k
周辺地域捕捉ユーザ数算出部15は、対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する。
Bi(T)=Σj=1 N(#Aj(T)×ω(Ai,Aj))
=Σj=1 N(#Aj(T)×(1/(1+d(Ai,Aj))))
対象地域A1の不動産:ランク「☆☆」
周辺地域A2の不動産:ランク「☆」
周辺地域A3の不動産:ランク「☆☆」
周辺地域A4の不動産:ランク「☆☆☆」
周辺地域A5の不動産:ランク「☆☆」
周辺地域A6の不動産:ランク「☆☆☆」
周辺地域A7の不動産:ランク「☆」
周辺地域A8の不動産:ランク「☆☆☆」
この場合、対象地域A1の周辺地域捕捉ユーザ数B1は、以下のように算出される。
B1=#A3×ω(A1,A3)+#A5×ω(A1,A5)
+#A4×ω(A1,A4)+#A6×ω(A1,A6)+#A8×ω(A1,A8)
+#A2×ω(A1,A2)+#A7×ω(A1,A7)
ここで算出された、対象地域A1の周辺地域捕捉ユーザ数B1は、対象地域A1と特性量の類似度dが高い周辺地域の捕捉ユーザ数から影響を強く受け、逆に対象地域A1と特性量の類似度dが低い周辺地域の捕捉ユーザ数から影響を受けにくいものとなる。
第1の相関学習エンジン10は、推定段階として、不動産の稼働率Ciを推定する。
第1の相関学習エンジン10は、学習段階として、対象地域Aiについて、以下の教師データに基づいて予め相関モデルを構築したものである。
目的変数:不動産の稼働率Ci
説明変数:周辺地域捕捉ユーザ数Bi
尚、第1の相関学習エンジン10の学習段階で教師データとして入力される周辺地域捕捉ユーザ数Biは、過去に周辺地域捕捉ユーザ数算出部15によって算出されたものである。
ここで、教師データとしての不動産の稼働率Ci及び周辺地域捕捉ユーザ数Biは、過去にカウントされたものである。例えば不動産1の稼働率C1が、不動産1の決算書の情報に基づくものである場合、同時期に、推定装置1によって算出された周辺地域捕捉ユーザ数Biと対応付ける。
尚、不動産の稼働率Ciは、不動産が宿泊用ホテルである場合、全ての宿泊部屋数に対して現に宿泊された部屋数の割合であってもよい。
推定装置1は、「対象地域Aiの不動産の滞在ユーザ数Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
正解値としての不動産の滞在ユーザ数Ciは、例えば、当該不動産でカウントされたユーザ数、又は、当該不動産に基づく決算書によって開示された滞在ユーザ数であるとする。これは、過去のデータに基づくものである。
第2の相関学習エンジン10は、推定段階として、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定する。
第2の相関学習エンジン10は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数:滞在ユーザ数Ci
説明変数:周辺地域捕捉ユーザ数Bi
尚、第2の相関学習エンジン10の学習段階で教師データとして入力される周辺地域捕捉ユーザ数Biは、過去に周辺地域捕捉ユーザ数算出部15によって算出されたものである。
ここで、教師データとしての不動産に滞在した滞在ユーザ数Ci及び周辺地域捕捉ユーザ数Biは、過去にカウントされたものである。
推定装置1は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
周辺地域許容ユーザ数記憶部16は、所定期間Tについて、当該対象地域Aiの周辺地域Aj(j=1〜N)全体における周辺地域許容ユーザ数を記憶する。
周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能な部屋数に基づくユーザ数である。例えば、周辺地域Ajの不動産がホテルである場合、周辺地域許容ユーザ数は、全ての周辺地域Ajのホテルの宿泊部屋数に基づくユーザ数であってもよい。
周辺地域捕捉ユーザ率算出部17は、周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する。
周辺地域捕捉ユーザ率Bi=周辺地域捕捉ユーザ数Bi
/周辺地域許容ユーザ数
第3の相関学習エンジンは、推定段階として、不動産の稼働率Ciを推定する。
第3の相関学習エンジン10は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数:不動産の稼働率Ci
説明変数:周辺地域捕捉ユーザ率Bi
尚、第3の相関学習エンジン10の学習段階で教師データとして入力される周辺地域捕捉ユーザ率Biは、過去に周辺地域捕捉ユーザ率算出部17によって算出されたものである。
相関モデルは、不動産の稼働率Ciと周辺地域捕捉ユーザ率Biとの間で、相関が最大となるように構築される。
推定装置1は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの傾向差分DIFFi」との間の相関性に基づいて構成されたものである。
回帰関数導出部18は、複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する。
回帰関数fは、長期的な経過時間の中で、周辺地域捕捉ユーザ数Biにおける変化(トレンド)の差異、即ち、母集団全体の変化を表す。回帰モデルとしては、例えば以下のような1次式で表すこともできるが、それに限定するわけでもない。
f(Bi(T))=a×Bi(T)+b a:傾き、b:切片
傾向差分算出部19は、現在の周辺地域捕捉ユーザ数Biと、回帰関数fに基づく予測の周辺地域捕捉ユーザ数f(Bi)との傾向差分DIFFiを算出する。
DIFFi=Bi−f(Bi)
重み係数決定部14は、複数の特性量k(例えば態様、ランク、評価など)それぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度dとする。
類似度d(i,j)=√(Σk=1 K((CHARi,k−CHARj,k)2×αk))
CHARi,k:地域iの特性量k
αk:特性量kの影響度
図9によれば、地域A1と地域A4との間の類似度は、例えば以下のように算出される。
d(1,4)=√((ランク差2・影響度α1)+(距離2・影響度α2)
+(部屋数差2・影響度α3)+(従業員数差2・影響度α4)
=√((2-3)2α1+(0-1)2α2+(100-10)2α3+(30-28)2α4)
そして、特性量k毎に影響度αを考慮した類似度dから、以下のように重み係数ωが算出される。
ω(i,j)=1/(1+d(i,j))
Bi=Σj=1 N(#Aj×ω(i,j))
argmax α ρ(Ci,DIFFi)
関数ρ:稼働率Ciと傾向差分DIFFiとの間の相関係数を算出する関数
影響度αを決定することによって、影響度の強い特性量と影響度の低い特性量とを考慮して類似度dを算出することができ、その類似度dによって重み係数ωを決定することができる。
影響度αには、特性量を基準化する効果と、実質的な特性量の強弱を付けることで、他の特性量と差別化する効果がある。これによって、稼働率Ciとの相関係数の推定精度が高めることができる。
第4の相関学習エンジン10は、推定段階として、不動産の稼働率Ciを推定する。
第4の相関学習エンジン10は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数:不動産の稼働率Ci
説明変数:傾向差分DIFFi
尚、第4の相関学習エンジン10の学習段階で教師データとして入力される傾向差分DIFFiは、過去に傾向差分算出部19によって算出されたものである。
即ち、相関モデルは、不動産の稼働率Ciと傾向差分DIFFiとの間で、相関が最大となるように構築される。
例えば相関を最大化するパラメータは、目的変数を各パラメータで偏微分してゼロとおき、連立方程式を解くか、相関係数を最大とするパラメータを近似したものであってもよい。
(1)事業所主体型:例えば会社ビルや工場
(2)住居主体型:例えばマンションや住宅地域
(3)商業施設主体型:例えばショッピングモールやパチンコ店
(4)ホテル主体型:例えば宿泊施設や会議場
(5)公共施設主体型:例えば図書館
(6)ヘルスケア施設主体型:例えばスポーツジム
(7)(1)〜(6)の統合・複合型
(8)その不動産を利用する「企業」の価値判断:例えば企業買収の際に利用可能
10 相関学習エンジン
11 ユーザ位置データベース
12 地域特性量記憶部
13 捕捉ユーザ数抽出部
14 重み係数決定部
141 影響度決定部
15 周辺地域捕捉ユーザ数算出部
16 周辺地域許容ユーザ数記憶部
17 周辺地域捕捉ユーザ率算出部
18 回帰関数導出部
19 傾向差分算出部
2 携帯端末
Claims (13)
- 対象地域Aiの不動産の稼働率Ciを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの1つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と、
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
相関学習エンジンは、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とするプログラム。 - 対象地域Aiの不動産の稼働率Ciに代えて、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定するために、
相関学習エンジンは、
学習段階として、対象地域Aiについて、滞在した滞在ユーザ数Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、現に滞在する滞在ユーザ数Ciを推定する
ようにコンピュータを機能させることを特徴とする請求項1に記載のプログラム。 - 所定期間Tについて、当該対象地域Aiの周辺地域Aj(j=1〜N)全体における周辺地域許容ユーザ数を記憶する周辺地域許容ユーザ数記憶手段と、
周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する周辺地域捕捉ユーザ率算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ率Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ率Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする請求項1に記載のプログラム。 - 周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能なユーザ数又は部屋数である
ようにコンピュータを機能させることを特徴とする請求項3に記載のプログラム。 - 複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する回帰関数導出手段と、
現在の周辺地域捕捉ユーザ数Biと、回帰関数fに基づく予測の周辺地域捕捉ユーザ数f(Bi)との傾向差分DIFFi(=Bi−f(Bi))を算出する傾向差分算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、傾向差分DIFFiを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、傾向差分DIFFiを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする請求項1に記載のプログラム。 - 重み係数決定部14は、複数の特性量kそれぞれの差の平方和の平方根を、類似度dとする
d(i,j)=√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k:地域iの特性量k
ようにコンピュータを機能させることを特徴とする請求項1から5のいずれか1項に記載のプログラム。 - 重み係数決定部14は、複数の特性量kそれぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度dとする。
類似度d(i,j)=√(Σk=1 K((CHARi,k−CHARj,k)2×αk))
CHARi,k:地域iの特性量k
αk:特性量kの影響度
ようにコンピュータを機能させることを特徴とする請求項5に記載のプログラム。 - 重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、対象地域Aiから周辺地域Ajまでの距離を用いる
ようにコンピュータを機能させることを特徴とする請求項1から7のいずれか1項に記載のプログラム。 - 重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、対象地域Ai及び周辺地域Ajの不動産の種別、ランク及び/又は評価を用いる
ようにコンピュータを機能させることを特徴とする請求項1から7のいずれか1項に記載のプログラム。 - 重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度dとして、更に、建物の階数、部屋数、部屋面積、従業員数及び/又は使用料金を用いる
ようにコンピュータを機能させることを特徴とする請求項9に記載のプログラム。 - 正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率である
ようにコンピュータを機能させることを特徴とする請求項1から10のいずれか1項に記載のプログラム。 - 対象地域Aiの不動産の稼働率Ciを推定する装置であって、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの1つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする装置。 - 対象地域Aiの不動産の稼働率Ciを推定する装置の推定方法であって、
装置は、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの1つ以上の特性量を記憶する地域特性量記憶部と
を有し、
装置は、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する第1のステップと、
地域特性量記憶部を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj(j=1〜N)の特性量との類似度dに応じた各重み係数ω(Ai,Aj)を決定する第2のステップと、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する第3のステップと
を実行すると共に、
学習段階として、相関学習エンジンを用いて、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019154858A JP7071948B2 (ja) | 2019-08-27 | 2019-08-27 | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019154858A JP7071948B2 (ja) | 2019-08-27 | 2019-08-27 | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021033773A true JP2021033773A (ja) | 2021-03-01 |
JP7071948B2 JP7071948B2 (ja) | 2022-05-19 |
Family
ID=74676590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019154858A Active JP7071948B2 (ja) | 2019-08-27 | 2019-08-27 | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7071948B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022186221A1 (ja) | 2021-03-03 | 2022-09-09 | 国立大学法人東京大学 | マクロ環含有新規テトラヒドロイソキノリンアルカロイド化合物 |
JP7456567B2 (ja) | 2019-10-07 | 2024-03-27 | 株式会社パラダイムシフト | 情報提供装置および情報提供方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001117973A (ja) * | 1999-10-20 | 2001-04-27 | Recruit Co Ltd | 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム |
JP2001243299A (ja) * | 2000-03-01 | 2001-09-07 | National Students Information Center | 学生用住居の総合管理システム |
JP2010200283A (ja) * | 2009-02-27 | 2010-09-09 | Softbank Bb Corp | 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム |
WO2012036222A1 (ja) * | 2010-09-15 | 2012-03-22 | 株式会社エヌ・ティ・ティ・ドコモ | 人口算出システム及び人口算出方法 |
-
2019
- 2019-08-27 JP JP2019154858A patent/JP7071948B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001117973A (ja) * | 1999-10-20 | 2001-04-27 | Recruit Co Ltd | 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム |
JP2001243299A (ja) * | 2000-03-01 | 2001-09-07 | National Students Information Center | 学生用住居の総合管理システム |
JP2010200283A (ja) * | 2009-02-27 | 2010-09-09 | Softbank Bb Corp | 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム |
WO2012036222A1 (ja) * | 2010-09-15 | 2012-03-22 | 株式会社エヌ・ティ・ティ・ドコモ | 人口算出システム及び人口算出方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7456567B2 (ja) | 2019-10-07 | 2024-03-27 | 株式会社パラダイムシフト | 情報提供装置および情報提供方法 |
WO2022186221A1 (ja) | 2021-03-03 | 2022-09-09 | 国立大学法人東京大学 | マクロ環含有新規テトラヒドロイソキノリンアルカロイド化合物 |
Also Published As
Publication number | Publication date |
---|---|
JP7071948B2 (ja) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446281B (zh) | 确定用户亲密度的方法、装置及存储介质 | |
Lwin et al. | A GIS approach to estimation of building population for micro‐spatial analysis | |
Corcoran et al. | Predicting the geo-temporal variations of crime and disorder | |
Babel et al. | A multivariate econometric approach for domestic water demand modeling: an application to Kathmandu, Nepal | |
Guo et al. | Rod-revenue: Seeking strategies analysis and revenue prediction in ride-on-demand service using multi-source urban data | |
CN110009174A (zh) | 风险识别模型训练方法、装置及服务器 | |
KR101810169B1 (ko) | 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치 | |
EP3267390A1 (en) | Information processing device, information processing method, and program | |
CN103718206B (zh) | 推荐其他用户或对象的方法、系统和装置 | |
CN106991576A (zh) | 一种地理区域的热力展现方法和装置 | |
CN105893537B (zh) | 地理信息点的确定方法和装置 | |
CN107561490A (zh) | 推荐建筑物中的位置的装置及其使用方法 | |
JP7071948B2 (ja) | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 | |
US20150248436A1 (en) | Methods, Circuits, Devices, Systems and Associated Computer Executable Code for Assessing a Presence Likelihood of a Subject at One or More Venues | |
CN110059849A (zh) | 路径确定方法和装置 | |
CN108038734B (zh) | 基于点评数据的城市商业设施空间分布探测方法及系统 | |
Wu et al. | Modeling shopping center location choice: shopper preference–based competitive location model | |
CN114693351A (zh) | 信息预测方法、装置以及电子设备 | |
Afrianto et al. | Booking prediction models for peer-to-peer accommodation listings using logistics regression, decision tree, K-nearest neighbor, and random Forest classifiers | |
KR20100123408A (ko) | Gis 기반의 가맹점 마케팅 지원 시스템 및 방법 | |
KR101815700B1 (ko) | 시간적 누적 데이터에 기반하여 상업용 부동산을 분석하는 시스템 | |
CN108985595A (zh) | 基于交易方互评的移动交易服务评价方法及装置 | |
CN107563402A (zh) | 一种社交关系推断方法及系统 | |
Cabral et al. | Demand scenario planning approach using regression techniques and application to network sectors in Portugal | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210617 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220413 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220418 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220419 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220506 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220509 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7071948 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |